Maschinelles Lernen zur automatisierten Merkmalsextraktion und Klassifikation von EEG-Signalen für Gehirn-Computer-Kommunikationssysteme

EEG-Signalen的信息处理在当时是一种错误。滤波、失真、噪声跟踪和分类的研究在脑电信号的复杂性和非线性特征提取方面都具有重要的意义。在AUMEX项目中，需要对机器学习者的脑电信号进行优化或新的韦尔登，以建立一个可靠的脑机接口（BCI，Gehirn-Computer-Schnittstelle）。Ein solches BCI-System stelt eine direkte Verbindung zwischen Gehirn and Computer her. Mehrere internationale Forschungsgruppen arbeiten an nichtininvasiven，auf EEG-Signalen basierenden BCI-Systemen，welche für Patienten mit dem sog.闭锁综合征是一种常见的具有真菌感染的复杂的疾病。Diesen Locked-In Patienten ist die motorische Kontrolle durch Lähmung vollständig verloren gegangen，d.h.她被打得韦尔登而又不舒服。Im Gegenetizu Komapatienten verfügen sie meist aber über intakte Sensorik und intakte koghisfähigkeiten. (...)与Ziel一样，锁定患者的Komberkationsfähigkeiten erheblich zu verbessern，解决了在Rahmen des beantragten Forschungsprojektes的信号（或）verarbeitungsmethoden für ein adaptives，继续学习Mehrklassen-BCI（im Folgenden durch MK-BCI abgekürzt）aufgebaut韦尔登和Versuchspersonen und Patienten erprobt韦尔登werden。MK-BCI是一种非线性信号处理方法和最优信号处理技术。MK-BCI将2到梅尔小时的EEG信号分类器的辅助功能通过单独的Merkmaisselection、单独的Vorstellungsaufgaben和verbesserte Klassification实现，这是韦尔登机实现的。因此，患者必须通过对机械手进行密集的Nutzung操作，使其在更大的压力和更长的时间内保持韦尔登，从而使BCI系统在Pflegealltagstark verkürzt中保持稳定。

Die Informationsverarbeitung von EEG-Signalen in Echtzeit ist Gegenstand dieses Antrags. Algorithmen zur Filterung, Artefaktkorrektur, Merkmalsextraktion und Klassifikation müssen sehr spezifisch auf die jeweilige Anwendung angepasst sein, um den komplexen und nichtlinearen Eigenschaften der EEG-Signalen Rechnung zu tragen. Im Rahmen des AUMEX-Projekts sollen verschiedene Algorithmen des maschinellen Lernens für diese Aufgaben erprobt, optimiert oder neu entwickelt werden, um EEG-Signale für ein Kommunikationssystem zu verarbeiten, welches auf einem so genannten Brain-Computer-Interface (BCI, Gehirn-Computer-Schnittstelle) beruht. Ein solches BCI-System stellt eine direkte Verbindung zwischen Gehirn und Computer her. Mehrere internationale Forschungsgruppen arbeiten an nichtinvasiven, auf EEG-Signalen basierenden BCI-Systemen, welche für Patienten mit dem sog. Locked-In Syndrom als einzig mögliche Kommunikationsschnittstelle mit der Außenwelt fungieren sollen. Diesen Locked-In Patienten ist die motorische Kontrolle durch Lähmung vollständig verloren gegangen, d.h. sie müssen künstlich beatmet werden und können nicht kommunizieren. Im Gegensatz zu Komapatienten verfügen sie meist aber über intakte Sensorik und intakte kognitive Fähigkeiten. (...) Mit dem Ziel, die Kommunikationsfähigkeiten von Locked-in Patienten erheblich zu verbessern, sollen im Rahmen des beantragten Forschungsprojektes die Signal(vor)verarbeitungsmethoden für ein adaptives, kontinuierlich lernendes Mehrklassen-BCI (im Folgenden durch MK-BCI abgekürzt) aufgebaut werden und an Versuchspersonen und Patienten erprobt werden. Das MK-BCI soll auf neuartigen nichtlinearen Signalverarbeitungsmethoden und Optimierungsalgorithmen beruhen. Mit dem MK-BCI wird die Erweiterung der Anzahl unterscheidbarer EEG-Signalklassen von 2 auf mehr als 5 Klassen angestrebt, was durch Mechanismen wie individuelle Merkmaisselektion, individuelle Vorstellungsaufgaben und verbesserte Klassifikationsaigorithmen realisiert werden soll. Zudem soll der Patient durch die intensive Nutzung von Algorithmen des maschinellen Lernens in der bisher schwierigen und langwierigen Obungsphase unterstützt werden, damit sich die Zeit bis zur unabhängigen Nutzung des BCI-Systems im Pflegealltag stark verkürzt.